Школьный этап Всероссийской олимпиады школьников по информатике с уклоном в искусственный интеллект на платформе «Сириус.Курсы» — это всегда вызов для участников. В 2026 году задания для третьей группы регионов отличаются особой глубиной проработки алгоритмических тем, машинного обучения и анализа данных. Эта работа проверяет не только базовые навыки программирования, но и способность мыслить как разработчик интеллектуальных систем: строить модели, оценивать их точность и принимать решения на основе данных.

👉 Скачать полные ответы и сами задания

Ниже мы разобрали официальную структуру, привели реальные типовые варианты с подробными пояснениями и собрали все, что нужно для уверенной подготовки. Материал ориентирован на учеников, которые хотят не просто написать работу, а действительно разобраться в логике олимпиадных заданий по ИИ.

📌 Официальная информация о работе

Предмет	Информатика (искусственный интеллект)
Дата проведения	19 октября 2026 года
Классы	5–11
Платформа	Сириус.Курсы (школьный этап ВсОШ)
Группа регионов	№3
Длительность	60–90 минут в зависимости от класса
Формат	Онлайн, компьютерное тестирование с задачами

В третью группу входят 15 субъектов: Астраханская, Курганская, Омская, Оренбургская, Самарская, Саратовская, Свердловская, Тюменская, Ульяновская, Челябинская области, Пермский край, Республика Башкортостан, Удмуртская Республика, Ханты-Мансийский автономный округ — Югра и Ямало-Ненецкий автономный округ. Все участники из этих регионов выполняют единый комплект заданий, сформированный автоматически.

🎯 Формат и содержание работы

Олимпиада по искусственному интеллекту на Сириусе строится вокруг четырех ключевых блоков: алгоритмическое мышление, работа с данными, основы машинного обучения и логика принятия решений. В зависимости от возраста меняется сложность, но общая архитектура заданий сохраняется. Младшие классы больше решают задачи на закономерности и последовательности, старшие — на классификацию, кластеризацию и оценку моделей.

Тип задания	Что проверяется
Алгоритмы и структуры данных	Умение строить эффективные алгоритмы, работать с массивами, графами, очередями
Основы машинного обучения	Понимание задач классификации, регрессии, кластеризации, переобучения
Анализ данных	Работа с таблицами, поиск закономерностей, оценка метрик
Логика и принятие решений	Построение деревьев решений, вывод правил, работа с вероятностями
Программирование	Написание и отладка кода на Python, C++ или другом доступном языке

👉 Скачать полные ответы и сами задания

📚 Примеры заданий из реальных вариантов

🔹 Задание 1. Классификация объектов (5–6 классы). Дан набор фруктов с признаками: цвет (красный, жёлтый, зелёный), форма (круглая, вытянутая), размер (большой, маленький). Известно, что все красные круглые большие объекты — это яблоки, а все жёлтые вытянутые — бананы. К какому классу отнести объект: цвет красный, форма круглая, размер маленький?

Решение: по условию яблоки — красные круглые большие. Объект красный круглый маленький не удовлетворяет условию «большой», но по признакам цвета и формы он ближе к яблокам, чем к бананам (бананы жёлтые вытянутые). Если в обучающей выборке были только эти два класса, логично отнести объект к яблокам, так как совпадают два признака из трёх. Это задача на обучение по прецедентам: выбираем класс с максимальным сходством.

🔹 Задание 2. Последовательность действий робота (6–7 классы). Робот находится в точке (0,0). Ему дана программа: вперёд 3, направо, вперёд 2, налево, вперёд 1. Где окажется робот, если изначально он смотрит в положительном направлении оси X?

Решение: после первого шага робот в точке (3,0). Поворот направо — теперь он смотрит вниз по оси Y. Движение вперёд 2 приводит в точку (3,-2). Поворот налево — смотрит снова вдоль X. Движение вперёд 1 — итоговая точка (4,-2). Ответ: (4,-2).

🔹 Задание 3. Дерево решений (7–8 классы). Постройте дерево решений для задачи: если возраст меньше 18 и рост меньше 150 — «ребёнок», если возраст меньше 18 и рост больше или равен 150 — «подросток», если возраст больше или равен 18 — «взрослый». Какой лист получит объект: возраст 20, рост 160?

Решение: проверяем первый узел: возраст >= 18? Да, значит сразу переходим к листу «взрослый». Рост не проверяется, так как условие по возрасту уже определило класс. Ответ: «взрослый».

🔹 Задание 4. Оценка точности модели (8–9 классы). Модель классифицировала 100 писем: 60 спам-писем и 40 обычных. Из спама модель верно определила 50, из обычных — 30. Чему равна accuracy (доля правильных ответов)?

Решение: accuracy = (50 + 30) / 100 = 80 / 100 = 0.8 или 80%. Ответ: 80%.

🔹 Задание 5. Линейная регрессия (9–10 классы). Даны точки: (1,2), (2,4), (3,6). Найдите коэффициенты линейной модели y = kx + b методом наименьших квадратов.

Решение: точки лежат на прямой y = 2x. Среднее x = 2, среднее y = 4. Наклон k = (сумма (xi — xср)(yi — yср)) / (сумма (xi — xср)^2). Считаем: (1-2)(2-4)+(2-2)(4-4)+(3-2)(6-4) = (-1)(-2)+0+(1)(2) = 2+2 = 4. Знаменатель: (1-2)^2+(2-2)^2+(3-2)^2 = 1+0+1 = 2. k = 4/2 = 2. b = yср — k*xср = 4 — 2*2 = 0. Модель: y = 2x. Ответ: k=2, b=0.

🔹 Задание 6. Переобучение (10–11 классы). Модель на обучающей выборке даёт accuracy 99%, а на тестовой — 61%. Как называется эта проблема и как её исправить?

Решение: это классическое переобучение (overfitting). Модель запомнила обучающие примеры, но не выявила общих закономерностей. Способы исправления: увеличить объём данных, применить регуляризацию, упростить модель, использовать кросс-валидацию, добавить dropout для нейросетей. Ответ: переобучение, исправляется регуляризацией и расширением обучающей выборки.

🔹 Задание 7. Кластеризация методом k-средних (10–11 классы). Даны точки: A(1,1), B(2,1), C(5,5), D(6,5). Начальные центры кластеров: (1,1) и (5,5). К каким кластерам отнесутся точки после первой итерации?

Решение: расстояние A до центра 1 = 0, до центра 2 = sqrt(32) ≈ 5.66 — A в кластер 1. B до центра 1 = 1, до центра 2 = sqrt(25) = 5 — B в кластер 1. C до центра 1 = sqrt(32) ≈ 5.66, до центра 2 = 0 — C в кластер 2. D до центра 1 = sqrt(41) ≈ 6.4, до центра 2 = 1 — D в кластер 2. Кластеры: {A,B} и {C,D}. Новые центры: (1.5,1) и (5.5,5). Ответ: точки A и B в первом кластере, C и D во втором.

🔹 Задание 8. Нейросеть и функция активации (11 класс). На вход нейрона подаются значения x1=2, x2=-1 с весами w1=0.5, w2=-0.3 и смещением b=0.1. Вычислите выход нейрона, если функция активации — ReLU.

Решение: сумма = x1*w1 + x2*w2 + b = 2*0.5 + (-1)*(-0.3) + 0.1 = 1 + 0.3 + 0.1 = 1.4. ReLU(1.4) = max(0, 1.4) = 1.4. Ответ: 1.4.

🏆 Система оценивания

Блок заданий	Количество	Баллы за одно	Максимум
Тестовые вопросы с выбором ответа	8–10	1–2	10–20
Задачи с кратким ответом	5–7	3–5	15–35
Программные задачи	2–4	10–15	20–60
Задачи на анализ данных и ML	2–3	10–20	20–60

Общий максимальный балл варьируется от 60 до 120 в зависимости от класса. Проходной порог на муниципальный этап обычно составляет 40–55% от максимума. Каждая задача проверяется автоматически: тестовые вопросы — мгновенно, программные — на наборе скрытых тестов.

✅ Что повторить перед работой: чек-лист по темам

5–6 классы:

Тема	Что нужно уметь
Логические закономерности	Находить продолжение последовательности, выявлять правила
Алгоритмы для исполнителя	Выполнять линейные и циклические команды, определять результат
Классификация объектов	Относить объекты к группам по заданным признакам
Комбинаторика	Считать количество вариантов, строить простые переборы

7–8 классы:

Тема	Что нужно уметь
Деревья решений	Строить и интерпретировать простые деревья
Массивы и циклы	Обрабатывать списки, находить максимум/минимум, суммы
Основы теории вероятностей	Считать простые вероятности, условные события
Графы	Понимать вершины, рёбра, пути, связность

9–11 классы:

Тема	Что нужно уметь
Линейная регрессия	Вычислять коэффициенты, оценивать ошибку
Метрики качества	Accuracy, precision, recall, F1, confusion matrix
Кластеризация	k-means, иерархическая кластеризация, выбор числа кластеров
Нейронные сети	Прямое распространение, функции активации, градиентный спуск
Переобучение и регуляризация	Причины, способы борьбы, кросс-валидация

👉 Скачать полные ответы и сами задания

🚀 Как подготовиться на высокий балл

• Повторите базовые алгоритмы сортировки, поиска, обхода графов — они лежат в основе большинства задач.
• Разберите типовые задачи на деревья решений и линейную регрессию: это самые частые темы олимпиады по ИИ.
• Потренируйтесь считать метрики качества вручную: accuracy, precision, recall, F1.
• Напишите несколько простых программ на Python для обработки списков и словарей.
• Изучите, как работает k-means: умение провести одну-две итерации вручную пригодится в тестовых вопросах.
• Решайте демоверсии прошлых лет — формат заданий на Сириусе стабилен, типовые задачи повторяются.
• Не забывайте про тайминг: сначала решайте задачи, в которых уверены, затем возвращайтесь к сложным.

❓ Часто задаваемые вопросы (FAQ)

— Какие классы участвуют в олимпиаде?
В школьном этапе по информатике (ИИ) участвуют ученики 5–11 классов. Задания для каждой параллели формируются отдельно, но темы пересекаются.

— Нужно ли уметь программировать?
Для 5–7 классов программирование не обязательно: большинство задач решаются логически. Для 8–11 классов желательно уверенно писать на Python или C++.

— Сколько времени даётся на выполнение?
Обычно 60 минут для младших классов и 90 минут для старших. Точное время указывается в личном кабинете на платформе Сириус.Курсы.

— Можно ли пользоваться интернетом во время олимпиады?
Нет, работа выполняется самостоятельно. Использование любых источников, кроме собственных знаний, запрещено и отслеживается системой прокторинга.

— Как узнать свой результат?
Результаты появляются в личном кабинете на платформе Сириус.Курсы через 1–2 недели после проведения олимпиады.

— Что будет, если не набрать проходной балл?
Ничего страшного: вы получите опыт участия. Проходные баллы на муниципальный этап публикуются отдельно для каждого региона и класса.

👉 Скачать полные ответы и сами задания

Удачи на олимпиаде по информатике (искусственный интеллект)! 😊